پيش‌بيني اثر پارامترهاي جوش قوس الكتريكي بر هندسه جوش با استفاده از شبكه عصبي مصنوعي

Influence of Shielded Metal Arc Welding Parameters on the Bead Geometry, Based on Artificial Neural Network

در اين مقاله، شبيه‌سازي روابط بين پارامترها و هندسه جوش قوس الكتريكي با استفاده از شبكه‌ عصبي مصنوعي كه با اطلاعات تجربي 216 نمونه‌ تجربي ايجاد شده، ارايه شده است. شبكه عصبي مصنوعي گسترش داده شده در اين مقاله از الگوريتم پس انتشار خطا و با دو لايه پنهان بهره مي‌برد كه در آن شش پارامتر شدت جريان، طول قوس، سرعت حركت الكترود، زاويه الكترود با خط جوش، حركت عرضي و نوع الكترود به عنوان ورودي و چهار عامل شامل سه اندازه از هندسه جوش (عمق، ارتفاع، پهنا) به همراه سرعت ذوب الكترود به عنوان خروجي شبكه، در نظر گرفته شده اند. نتايج شبيه‌سازي در مورد نمونه‌هاي انجام گرفته دقت قابل قبولي را نشان مي‌دهد. هم‌چنين، نتايج بدست ‌آمده از شبكه عصبي به طور كيفي تاثير پارامترهاي مختلف بر هندسه جوش را تاييد مي‌نمايند. نتايج تحقيق نشان مي‌دهند كه از اين سامانه مي‌توان به طور موفق براي پيش‌بيني هندسه جوش و تعيين اثر پارامترهاي مختلف بر جوش ايجاد شده بهره برد.

This paper presents an artificial neural network simulation, based on 216 set of experimental data for prediction of SMAW bead geometry. Input parameters consist of electrode type, current, travel speed, arc length, transverse motion, and angle of the electrode with respect to the vertical plane along the weld line. outputs of the neural network were bead width, bead height, penetration, and the rate of electrode consumption. The Error analysis in the neural network was performed by well-known back-propagation error reduction method containing two hidden layers. The results showed that the results were basically in good agreements with the available experimental data, indicating a suitable technique for simulation of the SMAW. It is concluded that the established neural network system, in conjunction with back-propagation analysis, is able to determine the bead geometry for a set of specified input parameters, facilitating the design of special purpose arc welds.